CN113254783B - 一种对象推荐方法、装置及设备 - Google Patents
一种对象推荐方法、装置及设备 Download PDFInfo
- Publication number
- CN113254783B CN113254783B CN202110674258.XA CN202110674258A CN113254783B CN 113254783 B CN113254783 B CN 113254783B CN 202110674258 A CN202110674258 A CN 202110674258A CN 113254783 B CN113254783 B CN 113254783B
- Authority
- CN
- China
- Prior art keywords
- target
- regulation
- industry
- determining
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Abstract
本申请公开了一种对象推荐方法、装置及设备,所述方法包括:确定与目标用户相匹配的候选对象;基于正交设计确定多个调控目标,所述调控目标用于从所述候选对象中确定推荐至所述目标用户的推荐对象;根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象。采用所述方法,解决了如何在个性化推荐的同时保持精准的流量调控问题。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种对象推荐方法、装置、电子设备及存储设备。本申请还涉及一种行业流量调控方法、装置、电子设备及存储设备。
背景技术
随着互联网技术的发展,通过基于互联网的平台提供各行业对象信息或数据的场景越来越普遍。由于不同用户可能具有不同的偏好及个性化需求,因此针对不同用户进行个性化推荐尤其重要。为了在实现个性化推荐同时能够使得特定行业的实际曝光比例与平台期望的特定行业的目标曝光比例一致,并建立良好的平台心智,平台一般对各行业流量结构进行调控。
现有技术中,行业流量结构调控的方案一般有三种:一是,针对指定的商品、品牌、行业进行人为加权及设定展示对象的资源位,因而难以进行精准的流量调控,并导致平台整体的流量效率较低;二是,基于PID理论进行流量调控,具体为通过实时统计目标流量比例与实际流量比例之间的误差,通过一阶误差、二阶误差以及误差积分项控制流量调控速度,但是该方案中未考虑多行业同时调控时各行业之间的竞争关系,因而难以达到合理的调控效果;三是在PID流量调控基础上增加探索机制或结合强化学习,实时监控流量调控过程中的效果指标,通过实时训练或者选取收益较合理的调控参数来调整曝光流量,但是由于线上的数据分布的变化较大,因而导致调控效果不够稳定。
因此,如何在个性化推荐中保持精准的流量调控是需要解决的问题。
发明内容
本申请实施例提供的对象推荐方法,解决了个性化推荐的同时难以保持精准的流量调控的问题。
本申请实施例提供一种对象推荐方法,包括:确定与目标用户相匹配的候选对象;基于正交设计确定多个调控目标,所述调控目标用于从所述候选对象中确定推荐至所述目标用户的推荐对象;根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象。
可选的,所述确定与目标用户相匹配的候选对象,包括:接收目标用户的用户行为信息;根据所述用户行为信息获取所述候选对象;对所述候选对象进行初步排序;所述根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象,包括:根据所述多个调控目标对已经过初步排序后的候选对象重新排序;根据重新排序的排序结果确定所述目标用户的其一推荐对象。
可选的,所述基于正交设计确定用于确定推荐对象的多个调控目标,包括:根据行业对象投放需求以及平台运营需求,确定行业流量调控目标以及流量价值目标;所述流量价值目标至少包括下述至少一种目标:用户商品关联度目标、用户群体投放目标;所述行业流量调控目标、用户商品关联度目标、用户群体投放目标为具有相互独立的正交关系的多个调控目标。
可选的,所述根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象,包括:确定所述候选对象的综合调控评分;所述综合调控评分融合有所述多个调控目标中的至少一个调控目标的调控评分;根据所述候选对象的综合调控评分对所述候选对象进行排序,根据排序结果确定其综合调控评分满足预设条件的候选对象作为所述目标用户的其一推荐对象。
可选的,还包括:获取用于展示推荐对象的资源位的信息;所述根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象,包括:根据所述资源位的信息以及所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象,将所述其一推荐对象作为展示于所述资源位的推荐对象;所述方法还包括:重复执行上述操作,直至确定出预设数量的资源位中每一资源位对应的推荐对象;将每一资源位对应的推荐对象构成的推荐对象列表推送至所述目标用户对应的电子设备并展示于所述电子设备。
可选的,所述根据所述资源位的信息以及所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象,包括:在针对当前资源位选取推荐对象的处理中,确定所述候选对象对应的行业流量调控目标的行业流量调控评分、用户商品关联度目标的用户商品关联调控评分、用户群体投放目标的用户群体投放调控评分;将上述调控评分进行融合,得到所述候选对象的综合调控评分;根据所述综合调控评分对所述候选对象排序,确定所述其一推荐对象,将所述推荐对象作为展示于当前资源位的对象。
可选的,还包括:查询当前资源位对应的行业流量目标比例,根据所述行业流量目标比例确定所述行业流量调控评分;和/或,根据所述目标用户对应的用户群体属性,确定所述候选对象的用户群体投放调控评分;和/或,根据所述目标用户的用户行为信息以及所述候选对象的对象特征,确定候选对象的用户-对象关联调控评分。
可选的,还包括:将所述行业流量调控评分、用户群体投放调控评分以及用户商品关联调控评分的乘积作为所述综合调控评分。
可选的,所述根据所述行业流量目标比例确定所述行业流量调控评分,包括:获取展示页面中用于展示推荐对象的资源位的总数量,将其作为所述预设数量;在本轮针对当前资源位选取推荐对象的处理中,获取当前剩余需要调控的资源位的可调控数量以及与目标行业对应的当前已选取的推荐对象的已选取数量;根据所述总数量、所述已选取数量以及行业流量目标评分,确定行业资源位需求数量;其中,所述行业流量目标评分为基于实际行业流量与目标行业流量之间的差异计算得到;根据所述行业资源位需求数量以及所述可调控数量,确定本轮处理中各候选对象的行业流量调控评分。
可选的,所述基于实际行业流量与目标行业流量之间的差异计算得到行业流量目标评分,包括:获取所述目标行业对应的实际行业流量以及目标行业流量;基于以下控制项确定所述行业流量目标评分:目标行业流量与实际行业流量之间的误差、在特定时间区间内所述误差的积分项以及微分项、所述误差与目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定。
可选的,还包括:接收到所述目标用户的用户行为信息后,通过基于实时计算的数据链路实时更新行业流量目标比例。
本申请实施例还提供一种行业流量调控方法,包括:获取目标用户的用户行为信息,根据所述用户行为信息获取所述目标用户的候选对象;获取目标资源位的实际行业流量以及目标行业流量,基于所述实际行业流量以及所述目标行业流量构建以下控制项:实际行业流量与目标行业流量之间的误差一阶项、在特定时间区间内所述误差的积分项以及微分项、所述误差与所述目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定;根据所述控制项确定所述候选对象的行业流量目标评分,并基于所述行业流量目标评分从所述候选对象中选取展示于所述目标资源位的推荐对象。
可选的,还包括:接收到目标用户的用户行为信息后,通过基于实时计算的数据链路根据所述用户行为信息实时更新目标行业流量。
可选的,所述调控幅度基于调控时间维度上的调控紧急程度确定,包括:在预设统计周期内,如果距离调控结束的时间减少,则增加调控幅度。
本申请实施例还提供一种对象推荐装置,包括:对象召回单元,用于确定与目标用户相匹配的候选对象;多目标分解单元,用于基于正交设计确定多个调控目标,所述调控目标用于从所述候选对象中确定推荐至所述目标用户的推荐对象;对象抽取单元,用于根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象。
本申请实施例还提供一种行业流量调控装置,包括:对象召回单元,用于获取目标用户的用户行为信息,根据所述用户行为信息获取所述目标用户的候选对象;控制项构建单元,用于获取目标资源位的实际行业流量以及目标行业流量,基于所述实际行业流量以及所述目标行业流量构建以下控制项:实际行业流量与目标行业流量之间的误差一阶项、在特定时间区间内所述误差的积分项以及微分项、所述误差与所述目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定;对象抽取单元,用于根据所述控制项确定所述候选对象的行业流量目标评分,并基于所述行业流量目标评分从所述候选对象中选取展示于所述目标资源位的推荐对象。
本申请实施例还提供一种电子设备,包括:存储器,以及处理器;所述存储器用于存储计算机程序,所述计算机程序被所述处理器运行后,执行本申请实施例提供的所述方法。
本申请实施例还提供一种存储设备,存储有计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
与现有技术相比,本申请具有以下优点:
本申请实施例提供的一种对象推荐方法、装置及设备,通过基于正交设计确定多个调控目标,所述调控目标用于从所述候选对象中确定推荐至所述目标用户的推荐对象;根据所述多个调控目标对目标用户的候选对象排序,根据排序结果确定目标用户的其一推荐对象。通过正交设计将一个多目标复杂问题拆分成多个正交的单目标问题求解,多个调控目标中的每个调控目标之间的算法迭代互不影响,能够简化方案的复杂性,并且提高流量效率。基于多个调控目标对候选对象排序以确定出目标用户的推荐对象,能够实现针对目标用户的个性推荐化同时达到流量调控的目的。对候选对象进行一次排序确定其一推荐对象,控制更加精细,能够较精准的实现流量调控目标。进一步,多个调控目标包括行业流量调控目标以及用户对象关联度目标、用户群体投放目标,能够在完成流量调控目标的基础上提高对象曝光价值,用户点击率与单用户曝光价值。
本申请实施例提供的一种行业流量调控方法、装置及设备,通过根据用户行为信息获取所述目标用户的候选对象;基于目标资源位的实际行业流量以及目标行业流量构建控制项,所述控制项包括:实际行业流量与目标行业流量之间的误差一阶项、在特定时间区间内所述误差的积分项以及微分项、所述误差与所述目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定;根据所述控制项确定所述候选对象的行业流量目标评分,并基于所述行业流量目标评分从所述候选对象中选取展示于所述目标资源位的推荐对象。上述误差一阶项、积分项以及微分项为实现PID控制的控制项;在此基础上引入误差与所述目标行业流量的比值,能够解决多行业目标调控中绝对误差较小但相对其自身目标而言偏差较大的问题,提高了流量调控的精准度。而调控幅度控制项的引入,使得当能够调控的时间越来越短的情况下可以适当增加调控幅度,从而可快速实现调控目标。
附图说明
图1本申请实施例提供的流量调控系统环境示意图。
图2是本申请第一实施例提供的一种对象推荐方法的处理流程图。
图3是本申请第一实施例提供的一种流量调控流程图。
图4是本申请第二实施例提供的一种行业流量调控的处理流程图。
图5是本申请第三实施例提供的对象推荐装置示意图。
图6是本申请第四实施例提供的行业流量调控装置示意图。
图7是本申请提供的电子设备示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请实施例提供一种对象推荐方法、装置、电子设备及存储设备。本申请实施例还提供一种行业流量调控方法、装置、电子设备及存储设备。在下面的实施例中逐一进行说明。
为便于理解,首先给出本申请实施例提供的方法应用的一种系统环境。请参考图1,图中所示的流量调控系统环境包括:客户端应用101、实时日志系统102、BLINK 103、HBASE 104、线上实时推荐系统105。一个实际场景中:用户使用用户电子设备启动客户端应用,通过客户端应用接入平台,浏览展示于对象展示页面的对象,如浏览商品会场页面中展示的商品。对象展示页面提供复数个资源位用以展示对象。每资源位展示的对象由线上实时推荐系统实时推荐,具体可根据用户信息、用户行为信息以及平台的流量调控需求从与用户相匹配的候选对象中抽取推荐对象,从而实现针对用户的个性化推荐,并同时保证满足平台的流量调控需求。客户端应用101包括但不局限于用户使用的电子设备所安装的应用程序或网页应用或小程序应用,接收用户的用户行为信息,展示资源位的对象,所述对象为针对用户推荐的推荐对象。对象可以理解为商品对象、提供商品对象的店铺对象、服务对象等任意展示于客户端应用的页面供用户浏览或访问的对象,用于描述对象的信息为对象数据。资源位是指用于展示对象的资源位置,例如电商页面的商品坑位。实时日志系统102保存实时日志,可以为基于内存数据库实现的系统。BLINK 103是实时计算引擎,基于开源Flink实现了运行时稳定性以及实时计算SQL。HBASE 104为分布式存储引擎,可存储流量信息。线上实时推荐系统105以算法应用为核心,根据客户端应用提供的信息以及向HBASE查询到的信息实时确定推荐对象,并做实时的流量调控。
图中形成了两条数据链路,一条链路是客户端应用101、实时日志系统102、BLINK103、HBASE 104形成的基于实时计算的第一数据链路。第一数据链路可对当前的行业流量占比(或行业流量比例)、IPV价值等实时变化的一个或多个目标项进行分钟级别更新。所述IPV价值是指对象对应的详情页面被点击进入的次数。第一数据链路上的数据流包括:用户会访问客户端应用(APP),当APP展示了一个资源位的商品后,将信息上报至实时日志系统中;通过BLINK实时计算引擎实时更新各目标项,并将目标值写入HBASE进行存储。
另一条链路为由线上实时推荐系统、客户端应用以及HBASE形成的第二数据链路,向用户进行实时推荐并做实时流量调控。例如,当用户访问客户端应用的会场页面时,会场页面将用户的访问请求的信息提供给实时推荐系统;实时推荐系统根据访问请求中的参数信息对商品进行实时召回以及初步评分排序;在商品被推荐给用户展示之前,实时推荐系统查询HBASE存储的目标项对应的当前目标值,根据当前目标值进行实时的流量调控,对已经初步排序的商品重新排序,以达到平台期望达到的流量比例结构。
实际应用中,系统环境中还可以包括流量看板106。通过流量看板可以查看HBASE中记录的流量数据,并对流量数据进行分析和/或制定流量目标计划,也可以将流量目标计划对应的目标项的目标值写入HBASE。
本申请实施例提供的对象推荐方法不仅限于上述系统环境,以上仅为对应用环境的初步说明。
以下结合图2和图3对本申请第一实施例提供的对象推荐方法进行说明。图2所示的对象推荐方法,包括:步骤S201至步骤S203。
步骤S201,确定与目标用户相匹配的候选对象。
所述步骤S201中的候选对象可以理解为初步选取的商品,与目标用户相匹配的候选对象为针对目标用户初步选取的商品。后续处理步骤中将从针对目标用户初步选取的商品中选择推荐商品,也就是推荐对象,加入到目标用户对应的展示页面或展示界面进行展示。
所述步骤S201的具体实现过程可以是:接收目标用户的用户行为信息;根据所述用户行为信息获取所述候选对象;对所述候选对象进行初步排序;后续从候选对象中选取所述目标用户的其一推荐对象的处理中包括,根据所述多个调控目标对已经过初步排序后的候选对象重新排序;根据重新排序的排序结果确定所述目标用户的其一推荐对象。其中,所述根据所述用户行为信息获取所述候选对象,包括:根据所述用户行为信息确定所述目标用户的偏好信息;根据所述偏好信息进行个性化对象召回,得到所述候选对象。通过上述处理可以针对用户进行个性化对象召回,从而建立针对用户进行个性化推荐的数据基础。
实际应用中,客户端应用作为线上实时推荐系统的上游设备,接收用户行为信息,将与用户信息以及用户行为信息对应的参数传给线上实时推荐系统,由线上实时推荐系统进行商品个性化召回。例如,根据用户ID、城市ID、货品库ID、以及在用户允许的情况下获得的经纬度信息、商品类目信息等参数,实现个性化召回,也就是说,对不同用户召回的商品可以不相同,同一用户的不同的用户行为信息和/或不同位置信息,和/或不同操作时间信息召回的商品也可以不相同。用户行为信息既可以为用户的历史行为信息也可以为实时行为信息,可以包括点击行为、购买行为、历史或实时的偏好等任意信息。针对用户进行个性化召回商品后通过深度学习模型对商品评分,按照商品评分进行商品初步排序,在商品已初步排序基础上,后续处理中进行商品重新排序实现流量调控。
步骤S202,基于正交设计确定多个调控目标,所述调控目标用于从所述候选对象中确定推荐至所述目标用户的推荐对象。
所述正交设计可以理解为对平台运营场景进行分析,将平台的复杂调控目标拆分为具有正交关系的多个独立调控目标。针对多个调控目标中的每个独立调控目标可以各自进行算法迭代而互不影响,从而简化了整体方案的复杂性。
所述步骤S202中,具体包括下述处理:根据行业对象投放需求以及平台运营需求,确定行业流量调控目标以及流量价值目标;所述流量价值目标至少包括下述至少一种目标:用户商品关联度目标、用户群体投放目标;所述行业流量调控目标、用户商品关联度目标、用户群体投放目标为具有相互独立的正交关系的多个调控目标。实施时,可针对多个调控目标中的每个独立调控目标分别进行调控。例如,按照用户商品关联度目标进行调控,可以在调控过程中结合用户-商品之间的关联性;按照用户群体投放目标进行调控,可以在调控中结合人群投放特点。在完成流量调控目标的基础上,能够融合多种其他具有价值的目标,即在满足行业流量比例结构目标的同时也满足用户-商品之间的关联性及人群投放需求,则展示的商品产生交易的概率得以提高。从而,提高商品曝光价值、用户点击率与单用户曝光价值,实现行业流量调控目标与流量效率价值同时,提高流量效率。所谓流量效率可以理解为对象曝光带来访问或浏览对象的潜在用户转化为实际用户的对象曝光效率。
步骤S203,根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象。
本步骤中,具体包括下述处理:确定所述候选对象的综合调控评分;所述综合调控评分融合有所述多个调控目标中的至少一个调控目标的调控评分;根据所述候选对象的综合调控评分对所述候选对象进行排序,根据排序结果确定其综合调控评分满足预设条件的候选对象作为所述目标用户的其一推荐对象。实施时,当需要针对目标用户的一次访问请求推荐多个对象时,需要重复执行本步骤,每轮执行从候选对象中抽取其一推荐对象,经过多轮抽取得到多个推荐对象。具体处理过程包括:获取用于展示推荐对象的资源位的信息;根据所述资源位的信息以及所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象,将所述其一推荐对象作为展示于所述资源位的推荐对象;重复执行上述操作,直至确定出预设数量的资源位中每一资源位对应的推荐对象;将每一资源位对应的推荐对象构成的推荐对象列表推送至所述目标用户对应的电子设备并展示于所述电子设备。也就是说,每轮执行步骤S203确定关联于一个资源位的推荐对象;重复执行的轮数为资源位的预设数量。
实际应用场景例子:目标用户使用客户端应用接入平台,在与目标用户相对应的对象展示页面中一般包括多个资源位,每个资源位展示一个或多个针对目标用户推荐的推荐对象。当展示多个推荐对象时,可在资源位轮播多个推荐对象的对象数据。对象数据可以是对象图像和/或对象的详情页入口等。例如,活动会场页面设有至少一个虚拟楼层,其中虚拟楼层A展示N个商品;N个商品的选取规则需要满足平台的行业流量比例结构目标,如餐饮类商品M个,生活服务类商品(N-M)个。当目标用户B访问该活动会场页面时,针对B选取展示于虚拟楼层A的N个商品,具体的,针对与B相匹配的候选对象中进行N轮抽取,每轮根据行业流量比例结构目标以及其他流量价值目标对所述候选对象排序,根据排序结果抽取出B的其一推荐对象。进行N轮抽取得到所述N个推荐对象,将N个推荐对象提供给活动会场页面展示于虚拟楼层A。
本实施例中可采用多调控目标对象多轮抽取算法确定针对目标用户的推荐对象。所谓多调控目标对象多轮抽取算法,是指在多调控目标的情况下对每一资源位进行一轮抽取处理,每轮从候选对象中抽取其一推荐对象。在每轮抽取处理中,针对多个调控目标中的每个调控目标独立计算每个候选对象的调控评分,再将计算得到的多个调控评分进行融合得到每个候选对象的综合调控评分,将综合调控评分满足预设条件的候选对象作为占用一个资源位的其一推荐对象。例如,将调控评分较高的一个商品作为一个推荐对象关联至目标资源位。当然,如果目标资源位可以轮播多个商品,则可以在一轮抽取推荐对象的处理中抽取调控评分满足预设条件的多个商品,作为推荐对象关联至目标资源位。实施时,选择行业流量调控目标计算行业流量调控评分,灵活选择其他维度目标,如任意选择用户商品关联度目标及用户群体投放目标。每轮抽取推荐对象的具体处理过程包括:在针对当前资源位选取推荐对象的处理中,确定所述候选对象对应的行业流量调控目标的行业流量调控评分、用户商品关联度目标的用户商品关联调控评分、用户群体投放目标的用户群体投放调控评分;将上述调控评分进行融合,得到所述候选对象的综合调控评分;根据所述综合调控评分对所述候选对象排序,确定所述其一推荐对象,将所述推荐对象作为展示于当前资源位的对象。其中,对多个调控评分融合具体为:将所述行业流量调控评分、用户群体投放调控评分以及用户商品关联调控评分的乘积作为所述综合调控评分。
进一步,本实施例中包括下述处理:查询当前资源位对应的行业流量目标比例,根据所述行业流量目标比例确定所述行业流量调控评分;和/或,根据所述目标用户对应的用户群体属性,确定所述候选对象的用户群体投放调控评分;和/或,根据所述目标用户的用户行为信息以及所述候选对象的对象特征,确定候选对象的用户-对象关联调控评分。其中,用户群体投放调控评分反映了目标用户与用户群体包的匹配度;用户-对象关联调控评分反映了目标用户的用户-对象个性化程度,可以利用各类型机器学习模型来预测目标用户与商品(对象)之间的相关性。
举例如下:每轮处理中采用如下公式计算每个候选对象的综合调控评分,
其中,行业流量调控评分基于行业流量目标比例确定,所谓行业流量目标比例可以理解为平台调控需求中的行业流量比例结构目标,行业流量比例结构可根据目标用户的用户行为信息进行实时调整,具体的,接收到所述目标用户的用户行为信息后,通过基于实时计算的数据链路实时更新行业流量目标比例。
实施时,具体通过下述处理确定候选对象的行业流量调控评分:获取展示页面中用于展示推荐对象的资源位的总数量,将其作为所述预设数量;在本轮针对当前资源位选取推荐对象的处理中,获取当前剩余需要调控的资源位的可调控数量以及与目标行业对应的当前已选取的推荐对象的已选取数量;根据所述总数量、所述已选取数量以及行业流量目标评分,确定行业资源位需求数量;其中,所述行业流量目标评分为基于实际行业流量与目标行业流量之间的差异计算得到;根据所述行业资源位需求数量以及所述可调控数量,确定本轮处理中各候选对象的行业流量调控评分。具体采用下述公式计算:
本实施例中,进一步针对计算得到的综合调控评分进行倒序排列,得到本轮计算中候选对象的倒序排列,抽取出本轮的调控评分较大的对象作为需要优先展示的对象,关联至本轮的目标资源位并展示于该资源位。进一步,根据抽取出的推荐对象数量对该目标行业的对象抽取总数进行递增操作,代入下一轮抽取推荐对象的计算中,直至抽取到需要调控的对象数量为止。
本实施例中,采用改进PID算法计算行业流量目标评分,所述改进PID算法可以理解为基于实际行业流量与目标行业流量之间的差异计算得到行业流量目标评分,具体包括下述处理过程:获取所述目标行业对应的实际行业流量以及目标行业流量;基于以下控制项确定所述行业流量目标评分:目标行业流量与实际行业流量之间的误差、在特定时间区间内所述误差的积分项以及微分项、所述误差与目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定。特定实际区间为调控统计周期,比如以天为维度进行统计调控。基本PID算法一般基于目标值与实际值之间的误差项、误差的积分项以及误差的微分项进行控制,使得实际值趋于目标值。以基本PID算法为基础,本实施例提出的改进PID算法引入两个误差项:误差与目标行业流量的比值以及调控幅度。其中,针对具有以下特点的需要调控流量的场景:一些占比较小的行业,目标行业流量与实际行业流量之间的绝对误差虽然小,但是相对行业自身的目标而言,偏差比较大,因此引入误差与目标行业流量的比值,能提高流量调控的精准度。针对调控时间比较紧急的场景,引入调控幅度,能够将调控时间维度上面的紧急程度融入进流量调控中,比如,当能够调控的时间越来越短的时候,可适当增加调控的幅度,以使得实际行业流量快速趋近于目标行业流量。
以下通过公式对改进PID算法进行详细说明。基本PID算法由三部分误差项构成:误差的一阶项、误差的积分项、误差的微分项。调控的方向是观察误差本身的变化情况,根据误差的变化进行调控。误差的一阶项为实际值与目标值之间的差异。误差的积分项反映了随着实际的变化误差的累计变化趋势。误差的微分项反映了单位时间内误差变化的快慢,通过微分项可以控制误差的震荡趋势,一般还包括控制常量。基本PID控制的公式如下(4)至(6):
在基本PID基础上的改进PID算法新增的两个误差项分别用q(t)和h(t)表示。其中,q(t)描述实际误差与实际行业目标的比值,可提高以下场景流量调控精度:在多行业目标调控中,某些规划流量较小的小行业目标绝对误差虽然小,但是相对其自身目标而言,偏差比较大。h(t)描述针对调控幅度的调整,反映了调控时间维度上的紧急程度,当能够调控的时间越来越短的时候,适当增加调控的幅度,以快速达到调控目标。改进PID算法公式如下(7)至(11):
其中,为目标值;x为实际值;minGap为距离调控结束的剩余时间,可以为分钟数,如果minGap越小,则表示越快到达调控结束时间,相应的调控幅度应该增大。上述公式(1)至(11)中的k均为超参数,需要根据实际需求调整超参数的值大小。所谓超参数是指开始调控前设置值的参数。本实施例提出的改进PID算法结合了流量调控实际场景,在多行业同时进行流量调控的情况下,引入行业的误差绝对值与行业的目标绝对值之间的比值关系,使得对目标流量较小的小行业的调控更加精准。另外,在误差项中考虑了时间因素,在调控的剩余时间越短的情况下,调控的力度会逐渐变大。
本申请实施例中,将改进PID算法与多调控目标对象多轮抽取算法结合在一起进行流量调控。通过行业流量结构比例目标、目标用户-对象的个性化程度,目标用户-群体匹配程度等复杂问题拆分成若干个正交分解问题,根据每个正交分解问题得到的调控评分通过公式融合得到综合调控评分,根据综合调控评分每轮抽取出调控评分满足预设条件的推荐对象。其中,行业流量结构比例目标对应的行业流量调控评分可以基于改进PID算法确定,具体可查询HBASE获取实时行业流量及目标行业流量,按照改进PID算法计算行业流量目标分,根据行业流量目标分进一步通过公式(3)得到行业流量调控评分。每轮重新计算候选对象的综合调控评分,根据多轮抽取的结果确定推荐对象列表,展示给目标用户,从而实现个性化推荐,同时保证了流量调控的精准度,有助于建立良好的平台心智,促进平台的健康运营。
请参考图3,图中给出的流量调控流程包括:S301,商品召回。实时推荐系统根据客户端应用提供的用户行为信息对应的参数进行商品个性化召回。例如,所述参数可以为以下任意参数:用户ID、城市ID、货品库ID、在用户允许的情况下也可以为经纬度信息、商品类目参数值等,从而可实现个性化召回,即不同用户召回的商品可以不相同,同一用户的不同的用户行为信息和/或不同位置信息,和/或不同操作时间信息召回的商品可以不相同。用户行为信息的例子:点击行为、购买行为、历史或实时的偏好等信息。S302,商品初步排序。针对用户进行个性化召回商品后,通过深度学习模型对商品评分,按照商品评分进行商品的精排排序,在商品已排序的基础上,后续利用商品的重排进行流量调控。S303,查询实时流量比例。在流量调控中,根据客户端应用的当前展示页面的资源位标识查询HBASE记录的当前资源位的pv(Page View,页面访问量)曝光比例结构。S304,获取目标流量调控比例。S305,通过流量调控算法进行商品重排。具体的:根据改进的PID算法计算出各个行业的目标调控评分;根据用户群体属性计算出用户类目偏好分,作为用户群体目标调控评分;根据用户与商品特征计算出用户商品的个性化偏好分,作为用户对象关联度目标调控评分;基于各个行业的目标调控评分、用户类目偏好分、用户商品的个性化偏好分确定本轮每个商品的综合调控评分;根据多轮抽取的方式,每轮都抽取将根据上一轮抽取的商品情况重新计算每个商品的综合调控评分,确定出分值满足预设条件的商品作为本轮抽取出的推荐对象;根据多轮商品抽取的结果,确定商品重排的顺序。S306,返回重排结果。将重排后的商品列表推荐给用户。
需要说明的是,在不冲突的情况下,在本实施例和本申请的其他实施例中给出的特征可以相互组合,并且步骤S201和S202或类似用语不限定步骤必须先后执行。
至此,对本实施例提供的方法进行了说明,所述方法通过基于正交设计确定多个调控目标,所述调控目标用于从所述候选对象中确定推荐至所述目标用户的推荐对象;根据所述多个调控目标对目标用户的候选对象排序,根据排序结果确定目标用户的其一推荐对象。将一个多目标复杂问题拆分成多个正交的单目标问题求解,简化方案的复杂性并且提高流量效率。基于多个调控目标对候选对象排序以确定出目标用户的推荐对象,能够实现针对目标用户的个性推荐化同时达到流量调控的目的。对候选对象进行一次排序确定其一推荐对象,控制更加精细,能够较精准的实现流量调控目标。
以上述系统环境及实施例为基础,本申请第二实施例提供一种行业流量调控方法。以下结合图4对所述方法进行说明。图4所示的行业流量调控方法,包括:步骤S401至步骤S403。
步骤S401,获取目标用户的用户行为信息,根据所述用户行为信息获取所述目标用户的候选对象。
本步骤中获取到的候选对象可以理解为针对目标用户选取的与目标用户相匹配的对象。具体实现过程可以为:接收目标用户的用户行为信息;根据所述用户行为信息获取所述候选对象;对所述候选对象进行初步排序;后续对已经过初步排序后的候选对象进行重新排序;根据重新排序的排序结果确定目标用户的推荐对象。其中,所述根据所述用户行为信息获取所述候选对象,包括:根据所述用户行为信息确定所述目标用户的偏好信息;根据所述偏好信息进行个性化对象召回,得到所述候选对象。通过上述处理可以针对用户进行个性化对象召回,从而建立针对用户进行个性化推荐的数据基础。
实际应用中,客户端应用作为线上实时推荐系统的上游设备,接收用户行为信息,将与用户信息以及用户行为信息对应的参数传给线上实时推荐系统,由线上实时推荐系统进行商品个性化召回。例如,根据用户ID、城市ID、货品库ID、以及在用户允许的情况下获得的经纬度信息、商品类目信息等参数,实现个性化召回,也就是说,对不同用户召回的商品可以不相同,同一用户的不同的用户行为信息和/或不同位置信息,和/或不同操作时间信息召回的商品也可以不相同。用户行为信息既可以为用户的历史行为信息也可以为实时行为信息,可以包括点击行为、购买行为、历史或实时的偏好等任意信息。针对用户进行个性化召回商品后通过深度学习模型对商品评分,按照商品评分进行商品初步排序,在商品已初步排序基础上,后续处理中进行商品重新排序实现流量调控。
步骤S402,获取目标资源位的实际行业流量以及目标行业流量,基于所述实际行业流量以及所述目标行业流量构建以下控制项:
实际行业流量与目标行业流量之间的误差一阶项、在特定时间区间内所述误差的积分项以及微分项、所述误差与所述目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定。
本实施例中,采用改进PID算法针对目标资源位计算行业流量目标评分,后续步骤中将所述行业流量目标评分应用于推荐对象的抽取处理,从而实现行业流量调控。所述改进PID算法可以理解为基于实际行业流量与目标行业流量之间的差异计算行业流量目标评分。特定时间区间可以理解为调控统计周期,比如以天为维度进行统计调控。基本PID算法一般基于目标值与实际值之间的误差项、误差的积分项以及误差的微分项进行控制,使得实际值趋于目标值。以基本PID算法为基础,所述改进PID算法引入两个误差项:误差与目标行业流量的比值以及调控幅度。其中,针对具有以下特点的需要调控流量的场景:一些占比较小的行业,目标行业流量与实际行业流量之间的绝对误差虽然小,但是相对行业自身的目标而言,偏差比较大,因此引入误差与目标行业流量的比值,能提高流量调控的精准度。针对调控时间比较紧急的场景,引入调控幅度,能够将调控时间维度上面的紧急程度融入进流量调控中,在预设统计周期内,如果距离调控结束的时间减少,则增加调控幅度。比如,当能够调控的时间越来越短的时候,可适当增加调控的幅度,以使得实际行业流量快速趋近于目标行业流量。基本PID算法及改进PID算法的详细说明请参考第一实施例中的相关部分,此处不再赘述。
本实施例提出的改进PID算法结合了流量调控实际场景,在多行业同时进行流量调控的情况下,引入行业的误差绝对值与行业的目标绝对值之间的比值关系,使得对目标流量较小的小行业的调控更加精准。另外,在误差项中考虑了时间因素,在调控的剩余时间越短的情况下,调控的力度会逐渐变大。
本实施例中还包括:接收到目标用户的用户行为信息后,通过基于实时计算的数据链路根据所述用户行为信息实时更新目标行业流量。
步骤S403,根据所述控制项确定所述候选对象的行业流量目标评分,并基于所述行业流量目标评分从所述候选对象中选取展示于所述目标资源位的推荐对象。
本申请实施例中,基于改进PID算法计算出的行业流量目标评分确定后对象的行业流量调控评分,具体通过公式(3)得到行业流量调控评分;进一步融合其他调控目标评分比如用户群体投放调控评分以及用户商品关联调控评分,得到候选对象的综合调控评分。根据综合调控评分针对目标资源位抽取目标用户的推荐对象。改进PID算法能够解决多行业目标调控中绝对误差较小但相对其自身目标而言偏差较大的问题,提高了流量调控的精准度。而调控幅度控制项的引入,使得当能够调控的时间越来越短的情况下可以适当增加调控幅度,从而可快速实现调控目标。
至此,对本实施例提供的方法进行了说明,所述方法根据用户行为信息获取所述目标用户的候选对象;基于目标资源位的实际行业流量以及目标行业流量构建控制项,所述控制项包括:实际行业流量与目标行业流量之间的误差一阶项、在特定时间区间内所述误差的积分项以及微分项、所述误差与所述目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定;根据所述控制项确定所述候选对象的行业流量目标评分,并基于所述行业流量目标评分从所述候选对象中选取展示于所述目标资源位的推荐对象。上述误差一阶项、积分项以及微分项为实现PID控制的控制项;在此基础上引入误差与所述目标行业流量的比值,能够解决多行业目标调控中绝对误差较小但相对其自身目标而言偏差较大的问题,提高了流量调控的精准度。而调控幅度控制项的引入,使得当能够调控的时间越来越短的情况下可以适当增加调控幅度,从而可快速实现调控目标。
与第一实施例对应,本申请第三实施例提供一种对象推荐装置。以下结合图5对所述装置进行说明。图5所示的对象推荐装置,包括:
对象召回单元501,用于确定与目标用户相匹配的候选对象;
多目标分解单元502,用于基于正交设计确定多个调控目标,所述调控目标用于从所述候选对象中确定推荐至所述目标用户的推荐对象;
对象抽取单元503,用于根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象。
可选的,所述对象召回单元501具体用于:接收目标用户的用户行为信息;根据所述用户行为信息获取所述候选对象;对所述候选对象进行初步排序;所述对象抽取单元503具体用于:根据所述多个调控目标对已经过初步排序后的候选对象重新排序;根据重新排序的排序结果确定所述目标用户的其一推荐对象。
可选的,所述多目标分解单元502具体用于:根据行业对象投放需求以及平台运营需求,确定行业流量调控目标以及流量价值目标;所述流量价值目标至少包括下述至少一种目标:用户商品关联度目标、用户群体投放目标;所述行业流量调控目标、用户商品关联度目标、用户群体投放目标为具有相互独立的正交关系的多个调控目标。
可选的,所述对象抽取单元503具体用于:确定所述候选对象的综合调控评分;所述综合调控评分融合有所述多个调控目标中的至少一个调控目标的调控评分;根据所述候选对象的综合调控评分对所述候选对象进行排序,根据排序结果确定其综合调控评分满足预设条件的候选对象作为所述目标用户的其一推荐对象。
可选的,所述装置还包括候选对象获取单元,所述候选对象获取单元用于:获取用于展示推荐对象的资源位的信息;所述对象抽取单元503具体用于:根据所述资源位的信息以及所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象,将所述其一推荐对象作为展示于所述资源位的推荐对象;重复执行上述操作,直至确定出预设数量的资源位中每一资源位对应的推荐对象;将每一资源位对应的推荐对象构成的推荐对象列表推送至所述目标用户对应的电子设备并展示于所述电子设备。
可选的,所述对象抽取单元503具体用于:在针对当前资源位选取推荐对象的处理中,确定所述候选对象对应的行业流量调控目标的行业流量调控评分、用户商品关联度目标的用户商品关联调控评分、用户群体投放目标的用户群体投放调控评分;将上述调控评分进行融合,得到所述候选对象的综合调控评分;根据所述综合调控评分对所述候选对象排序,确定所述其一推荐对象,将所述推荐对象作为展示于当前资源位的对象。
可选的,所述对象抽取单元503具体用于:查询当前资源位对应的行业流量目标比例,根据所述行业流量目标比例确定所述行业流量调控评分;和/或,根据所述目标用户对应的用户群体属性,确定所述候选对象的用户群体投放调控评分;和/或,根据所述目标用户的用户行为信息以及所述候选对象的对象特征,确定候选对象的用户-对象关联调控评分。
可选的,所述对象抽取单元503具体用于:将所述行业流量调控评分、用户群体投放调控评分以及用户商品关联调控评分的乘积作为所述综合调控评分。
可选的,所述对象抽取单元503具体用于:获取展示页面中用于展示推荐对象的资源位的总数量,将其作为所述预设数量;在本轮针对当前资源位选取推荐对象的处理中,获取当前剩余需要调控的资源位的可调控数量以及与目标行业对应的当前已选取的推荐对象的已选取数量;根据所述总数量、所述已选取数量以及行业流量目标评分,确定行业资源位需求数量;其中,所述行业流量目标评分为基于实际行业流量与目标行业流量之间的差异计算得到;根据所述行业资源位需求数量以及所述可调控数量,确定本轮处理中各候选对象的行业流量调控评分。
可选的,所述对象抽取单元503具体用于:获取所述目标行业对应的实际行业流量以及目标行业流量;基于以下控制项确定所述行业流量目标评分:目标行业流量与实际行业流量之间的误差、在特定时间区间内所述误差的积分项以及微分项、所述误差与目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定。
可选的,所述装置还包括目标调整单元,所述目标调整单元用于:接收到所述目标用户的用户行为信息后,通过基于实时计算的数据链路实时更新行业流量目标比例。
与第二实施例对应,本申请第四实施例提供一种行业流量调控装置。以下结合图6对所述装置进行说明。图6所示的行业流量调控装置,包括:
对象召回单元601,用于获取目标用户的用户行为信息,根据所述用户行为信息获取所述目标用户的候选对象;
控制项构建单元602,用于获取目标资源位的实际行业流量以及目标行业流量,基于所述实际行业流量以及所述目标行业流量构建以下控制项:实际行业流量与目标行业流量之间的误差一阶项、在特定时间区间内所述误差的积分项以及微分项、所述误差与所述目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定;
对象抽取单元603,用于根据所述控制项确定所述候选对象的行业流量目标评分,并基于所述行业流量目标评分从所述候选对象中选取展示于所述目标资源位的推荐对象。
可选的,所述装置还包括目标调整单元,所述目标调整单元用于:接收到目标用户的用户行为信息后,通过基于实时计算的数据链路根据所述用户行为信息实时更新目标行业流量。
可选的,所述控制项构建单元602具体用于,在预设统计周期内,如果距离调控结束的时间减少,则增加调控幅度。以上述实施例为基础,本申请第五实施例提供一种电子设备,相关的部分请参见上述实施例的对应说明即可。请参考图7,图7所示的电子设备包括存储器701和处理器702。所述存储器存储有计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
以上述实施例为基础,本申请第六实施例提供一种存储设备,相关的部分请参见上述实施例的对应说明即可。所述存储设备的示意图类似图7。所述存储设备存储有计算机程序,所述计算机程序被处理器运行后,执行本申请实施例提供的所述方法。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (10)
1.一种对象推荐方法,其特征在于,包括:
确定与目标用户相匹配的候选对象;
基于正交设计确定多个调控目标,所述调控目标用于从所述候选对象中确定推荐至所述目标用户的推荐对象;所述多个调控目标包括行业流量调控目标以及流量价值目标;其中,所述流量价值目标至少包括下述至少一种目标:用户商品关联度目标、用户群体投放目标;其中,所述行业流量调控目标、用户商品关联度目标、用户群体投放目标具有相互独立的正交关系;
根据所述多个调控目标中的每个调控目标独立计算候选对象的调控评分,确定每个候选对象的综合调控评分,根据所述综合调控评分确定预设数量的资源位中其一资源位的一个或多个推荐对象,更新行业资源位需求数量;根据更新后的行业资源位需求数量,确定剩余资源位中其一资源位的一个或多个推荐对象,重复执行该操作直至确定出所述资源位中每一资源位对应的一个或多个推荐对象。
2.根据权利要求1所述的方法,其特征在于,所述确定与目标用户相匹配的候选对象,包括:
接收目标用户的用户行为信息;
根据所述用户行为信息获取所述候选对象;
对所述候选对象进行初步排序;
所述根据所述多个调控目标对所述候选对象排序,根据排序结果确定所述目标用户的其一推荐对象,包括:
根据所述多个调控目标对已经过初步排序后的候选对象重新排序;
根据重新排序的排序结果确定所述目标用户的其一推荐对象。
3.根据权利要求1所述的方法,其特征在于,所述基于正交设计确定用于确定推荐对象的多个调控目标,包括:
根据行业对象投放需求以及平台运营需求,确定所述行业流量调控目标以及所述流量价值目标。
4.根据权利要求1所述的方法,其特征在于,所述综合调控评分融合有所述多个调控目标中的至少一个调控目标的调控评分;
所述根据所述综合调控评分确定预设数量的资源位中其一资源位的一个或多个推荐对象,包括:
根据所述候选对象的综合调控评分对所述候选对象进行排序,根据排序结果确定其综合调控评分满足预设条件的候选对象作为所述目标用户的其一推荐对象。
5.根据权利要求1所述的方法,其特征在于,还包括:
确定出预设数量的资源位中每一资源位对应的推荐对象,将每一资源位对应的推荐对象构成的推荐对象列表推送至所述目标用户对应的电子设备并展示于所述电子设备。
6.根据权利要求1所述的方法,其特征在于,所述根据所述多个调控目标中的每个调控目标独立计算候选对象的调控评分,确定每个候选对象的综合调控评分,根据所述综合调控评分确定预设数量的资源位中其一资源位的一个或多个推荐对象,包括:
在针对当前资源位选取推荐对象的处理中,确定所述候选对象对应的行业流量调控目标的行业流量调控评分、用户商品关联度目标的用户商品关联调控评分、用户群体投放目标的用户群体投放调控评分;
将上述调控评分进行融合,得到所述候选对象的综合调控评分;
根据所述综合调控评分对所述候选对象排序,确定所述当前资源位的一个或多个推荐对象,作为展示于当前资源位的对象。
7.根据权利要求6所述的方法,其特征在于,还包括:
查询当前资源位对应的行业流量目标比例,根据所述行业流量目标比例确定所述行业流量调控评分;和/或,
根据所述目标用户对应的用户群体属性,确定所述候选对象的用户群体投放调控评分;和/或,
根据所述目标用户的用户行为信息以及所述候选对象的对象特征,确定候选对象的用户-对象关联调控评分。
8.根据权利要求7所述的方法,其特征在于,所述根据所述行业流量目标比例确定所述行业流量调控评分,包括:
获取展示页面中用于展示推荐对象的资源位的总数量,将其作为所述预设数量;
在本轮针对当前资源位选取推荐对象的处理中,获取当前剩余需要调控的资源位的可调控数量以及与目标行业对应的当前已选取的推荐对象的已选取数量;
根据所述总数量、所述已选取数量以及行业流量目标评分,确定行业资源位需求数量;其中,所述行业流量目标评分为基于实际行业流量与目标行业流量之间的差异计算得到;
根据所述行业资源位需求数量以及所述可调控数量,确定本轮处理中各候选对象的行业流量调控评分。
9.一种行业流量调控方法,其特征在于,包括:
获取目标用户的用户行为信息,根据所述用户行为信息获取所述目标用户的候选对象;
获取目标资源位的实际行业流量以及目标行业流量,基于所述实际行业流量以及所述目标行业流量构建以下控制项:
实际行业流量与目标行业流量之间的误差一阶项、在特定时间区间内所述误差的积分项以及微分项、所述误差与所述目标行业流量的比值以及调控幅度;其中,所述调控幅度基于调控时间维度上的调控紧急程度确定;
根据所述控制项确定所述候选对象的行业流量目标评分,并基于所述行业流量目标评分以及资源位数量确定行业资源位需求数量,根据包括行业流量调控目标在内的多个调控目标以及行业资源位需求数量确定每个候选对象的综合调控评分,根据所述综合调控评分确定预设数量的资源位中其一资源位的一个或多个推荐对象,并更新行业资源位需求数量;根据更新后行业资源位需求数量,确定剩余资源位中其一资源位的一个或多个推荐对象,重复执行该操作直至确定出所述资源位中每一资源位对应的一个或多个推荐对象。
10.一种电子设备,其特征在于,包括:
存储器,以及处理器;所述存储器用于存储计算机程序,所述计算机程序被所述处理器运行后,执行权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674258.XA CN113254783B (zh) | 2021-06-17 | 2021-06-17 | 一种对象推荐方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110674258.XA CN113254783B (zh) | 2021-06-17 | 2021-06-17 | 一种对象推荐方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113254783A CN113254783A (zh) | 2021-08-13 |
CN113254783B true CN113254783B (zh) | 2021-10-29 |
Family
ID=77188470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110674258.XA Active CN113254783B (zh) | 2021-06-17 | 2021-06-17 | 一种对象推荐方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113254783B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719992A (zh) * | 2023-05-26 | 2023-09-08 | 百度(中国)有限公司 | 资源推荐方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609193A (zh) * | 2017-10-16 | 2018-01-19 | 杭州时间线信息科技有限公司 | 一种适合商品详情页中图片的智能自动处理方法和系统 |
CN107678808A (zh) * | 2016-08-02 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 页面信息选取方案生成方法及装置 |
CN109146586A (zh) * | 2017-06-15 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 提供数据对象信息页面的方法及装置 |
CN111861598A (zh) * | 2019-04-24 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 对象展示方法、装置、电子设备及可读介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11004137B2 (en) * | 2017-06-15 | 2021-05-11 | Social Circle, Llc | System and method for trusted contact, business selection with automated menuing using trusted friends' and family's recommendations |
US10346896B1 (en) * | 2017-12-15 | 2019-07-09 | Capital One Services, Llc | Systems and methods for transaction-based real time pre-intent recommendations for a sequential purchase |
US10817749B2 (en) * | 2018-01-18 | 2020-10-27 | Accenture Global Solutions Limited | Dynamically identifying object attributes via image analysis |
CN110196742A (zh) * | 2018-02-27 | 2019-09-03 | 阿里巴巴集团控股有限公司 | 生成、展示数据对象信息的方法及装置 |
US10963939B1 (en) * | 2018-08-27 | 2021-03-30 | A9.Com, Inc. | Computer vision based style profiles |
CN112307344B (zh) * | 2020-11-05 | 2022-05-06 | 完美世界(北京)软件科技发展有限公司 | 对象推荐模型、对象推荐方法、装置及电子设备 |
-
2021
- 2021-06-17 CN CN202110674258.XA patent/CN113254783B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107678808A (zh) * | 2016-08-02 | 2018-02-09 | 阿里巴巴集团控股有限公司 | 页面信息选取方案生成方法及装置 |
CN109146586A (zh) * | 2017-06-15 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 提供数据对象信息页面的方法及装置 |
CN107609193A (zh) * | 2017-10-16 | 2018-01-19 | 杭州时间线信息科技有限公司 | 一种适合商品详情页中图片的智能自动处理方法和系统 |
CN111861598A (zh) * | 2019-04-24 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 对象展示方法、装置、电子设备及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113254783A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Virtual-taobao: Virtualizing real-world online retail environment for reinforcement learning | |
EP3819821B1 (en) | User feature generating method, device, and apparatus, and computer-readable storage medium | |
US20160098778A1 (en) | Method, device, and system for analyzing and ranking products | |
CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
US8374912B2 (en) | System and method for managing and optimizing advertising campaigns managed on the internet | |
US11704566B2 (en) | Data sampling for model exploration utilizing a plurality of machine learning models | |
CN106251174A (zh) | 信息推荐方法及装置 | |
EP2960849A1 (en) | Method and system for recommending an item to a user | |
CN111126495B (zh) | 模型训练方法、信息预测方法、装置、存储介质及设备 | |
CN104598981A (zh) | 生成装置、生成方法和程序 | |
CA3062119A1 (en) | Method and device for setting sample weight, and electronic apparatus | |
CN113254783B (zh) | 一种对象推荐方法、装置及设备 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN113191838A (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
CN107798410B (zh) | 一种品类规划方法、装置及电子设备 | |
CN107707940A (zh) | 视频排序方法、装置、服务器及系统 | |
US20220058499A1 (en) | Multidimensional hierarchy level recommendation for forecasting models | |
CN108241643A (zh) | 关键词的指标数据分析方法及装置 | |
JP6617605B2 (ja) | 需要量予測プログラム、需要量予測方法、及び情報処理装置 | |
CN113793220A (zh) | 基于人工智能模型的股市投资决策方法及相关设备 | |
CN113592589A (zh) | 纺织原料推荐方法、装置及处理器 | |
Vieira et al. | A ranking of the most known freeware and open source discrete-event simulation tools | |
US11164092B2 (en) | Parallel time series analysis | |
CN117422314B (zh) | 一种基于大数据分析的企业数据评估方法及设备 | |
Veldkamp | Principles and methods of constrained test assembly |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |